EDA - Análise de Conteúdo

Tamanho de mensagens, padrões textuais e características de linguagem

Author

Marlon

Published

May 7, 2026

Introdução

Este notebook analisa o conteúdo textual das mensagens do relacionamento.

Objetivo: Entender características de linguagem - tamanho de mensagens, complexidade textual, padrões de escrita.

Decisão metodológica: - Análise FILTRADA para período de relacionamento (pós 16/dez/2024) - Foco em mensagens com conteúdo textual (exclui mídia pura) - Dataset: 89.336 mensagens em 309 dias

Estrutura: 1. Mensagens com texto (cobertura) 2. Tamanho das mensagens (caracteres e palavras) 3. Comparação por remetente 4. Comparação por contexto (junto vs separado) 5. Evolução temporal do tamanho

Nota: Análise de sentimento e tópicos será desenvolvida posteriormente com NLP avançado.

Setup

Bibliotecas

Code 
import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
from scipy import stats
from pathlib import Path
import warnings

warnings.filterwarnings('ignore')

# Configurações
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', 100)

Caminhos e Cores

Code 
# Estrutura de diretórios
PROJECT_ROOT = Path.home() / 'Desktop' / 'whatsapp-interaction-analysis'
DATA_DIR = PROJECT_ROOT / 'data' / 'processed' / 'export_2024-10_2025-10'

# Arquivo de entrada
INPUT_FILE = DATA_DIR / 'messages_with_context.parquet'

# Cores padronizadas
COLORS = {
    'P1': '#636EFA',
    'P2': '#EF553B',
    'separados': '#636EFA',
    'juntos': '#00CC96',
    'TEXT': '#636EFA',
    'AUDIO': '#EF553B',
    'VID': '#00CC96',
    'IMG': '#AB63FA'
}

print(f"📁 Diretório: {DATA_DIR}")
print(f"📂 Arquivo: {INPUT_FILE.name}")
print(f"✅ Existe: {INPUT_FILE.exists()}")
📁 Diretório: /Users/mosx/Desktop/whatsapp-interaction-analysis/data/processed/export_2024-10_2025-10
📂 Arquivo: messages_with_context.parquet
✅ Existe: True

Carregamento

Code 
# Carrega dataset completo
df = pd.read_parquet(INPUT_FILE)

print(f"📊 Dataset COMPLETO (amizade + relacionamento):")
print(f"   • Mensagens: {len(df):,}")
print(f"   • Período: {df['timestamp'].min().date()} → {df['timestamp'].max().date()}")
print(f"   • Dias: {(df['timestamp'].max() - df['timestamp'].min()).days + 1}")

# Estatísticas por fase
print(f"\n📊 Distribuição por fase:")
print(f"   • Amizade: {(df['fase_relacionamento'] == 'Amizade').sum():,} msgs")
print(f"   • Relacionamento: {(df['fase_relacionamento'] == 'Relacionamento').sum():,} msgs")
📊 Dataset COMPLETO (amizade + relacionamento):
   • Mensagens: 91,924
   • Período: 2024-10-19 → 2025-10-20
   • Dias: 367

📊 Distribuição por fase:
   • Amizade: 2,588 msgs
   • Relacionamento: 89,336 msgs

Análise de Conteúdo

Mensagens com Texto

Code 
# Filtra mensagens de texto (não-nulas)
df_texto = df[df['conteudo'].notna()].copy()

total_msgs = len(df)
msgs_com_texto = len(df_texto)
pct_texto = (msgs_com_texto / total_msgs) * 100

print(f"📝 Cobertura de Conteúdo Textual:")
print(f"   • Total de mensagens: {total_msgs:,}")
print(f"   • Mensagens com texto: {msgs_com_texto:,}")
print(f"   • Percentual: {pct_texto:.1f}%")

# Distribuição por tipo (usa grupo_mensagem direto!)
print(f"\n📊 Composição do corpus textual:")
for tipo in ['TEXT', 'AUDIO', 'VID', 'IMG']:
    count = ((df_texto['grupo_mensagem'] == tipo)).sum()
    pct = (count / len(df_texto)) * 100
    print(f"   • {tipo}: {count:,} ({pct:.1f}%)")

# Cobertura por tipo (disponibilidade)
print(f"\n📊 Disponibilidade de arquivos para transcrição:")
for tipo in ['TEXT', 'AUDIO', 'VID', 'IMG']:
    df_tipo = df[df['grupo_mensagem'] == tipo]
    com_texto = df_tipo['conteudo'].notna().sum()
    total_tipo = len(df_tipo)
    pct = (com_texto / total_tipo * 100) if total_tipo > 0 else 0
    
    if tipo == 'TEXT':
        print(f"   • {tipo}: {com_texto:,}/{total_tipo:,} (100% - nativo)")
    else:
        print(f"   • {tipo}: {com_texto:,}/{total_tipo:,} ({pct:.1f}% arquivos disponíveis)")
📝 Cobertura de Conteúdo Textual:
   • Total de mensagens: 91,924
   • Mensagens com texto: 68,686
   • Percentual: 74.7%

📊 Composição do corpus textual:
   • TEXT: 67,297 (98.0%)
   • AUDIO: 510 (0.7%)
   • VID: 184 (0.3%)
   • IMG: 0 (0.0%)

📊 Disponibilidade de arquivos para transcrição:
   • TEXT: 67,297/67,297 (100% - nativo)
   • AUDIO: 510/8,552 (6.0% arquivos disponíveis)
   • VID: 184/9,602 (1.9% arquivos disponíveis)
   • IMG: 0/3,585 (0.0% arquivos disponíveis)
Warning💡 Contexto - Composição do Corpus Textual

Dataset para análise: 66.743 mensagens com texto (72.6% do total)

Composição por tipo de mensagem:

TEXT: 65.359 (97.9%) - Texto escrito diretamente pelos usuários - 100% de cobertura (naturalmente) - Base principal do corpus

AUDIO: 510 (0.8%) - Áudios transcritos via Whisper - Disponibilidade: 510 de 8.066 áudios (6.3%) - Limitação: Arquivos de áudio não disponíveis no export do WhatsApp

VID: 184 (0.3%) - Vídeos transcritos via Whisper
- Disponibilidade: 184 de 9.582 vídeos (1.9%) - Limitação: Arquivos de vídeo não disponíveis no export

IMG: 0 (0%) - Sem OCR/legendas (pipeline não implementado)

⚠️ IMPORTANTE - Sobre Disponibilidade:

Por que apenas 6.3% dos áudios foram transcritos? - WhatsApp não mantém histórico completo de mídia no export - Arquivos antigos de áudio/vídeo não são incluídos no backup - Transcrição teve 100% de sucesso nos arquivos disponíveis (Groq Whisper)

Implicação para análise: - ✅ Corpus completo (66.743) é usado para clustering, tópicos, padrões - ✅ AUDIO/VID transcritos mostram padrões de comunicação via voz/vídeo - ✅ Distinção nativo vs transcrito: Usar grupo_mensagem (TEXT vs AUDIO vs VID) - ⚠️ Viés: Corpus é 97.9% TEXT por limitação de disponibilidade (não qualidade)

Interpretação:

Análise textual abrange 66.743 mensagens: - 97.9% texto nativo (escrito diretamente) - 1.1% transcrições de voz/vídeo (disponíveis)

Limitação: Representa padrões de TEXTO principalmente. AUDIO/VID subrepresentados por disponibilidade de arquivos no export do WhatsApp.

Qualidade: Transcrições via Groq Whisper são precisas (100% sucesso nos disponíveis).

Nota: Para análises que precisam separar nativo vs transcrito, basta filtrar por grupo_mensagem.

Tamanho das Mensagens

Em Caracteres

Code 
# Calcula tamanho em caracteres
df_texto['tamanho_chars'] = df_texto['conteudo'].str.len()

print(f"📊 Estatísticas de tamanho (caracteres):\n")
print(df_texto['tamanho_chars'].describe())

print(f"\n📈 Percentis:")
print(f"   50%: {df_texto['tamanho_chars'].quantile(0.50):.0f} caracteres")
print(f"   75%: {df_texto['tamanho_chars'].quantile(0.75):.0f} caracteres")
print(f"   90%: {df_texto['tamanho_chars'].quantile(0.90):.0f} caracteres")
print(f"   95%: {df_texto['tamanho_chars'].quantile(0.95):.0f} caracteres")
print(f"   99%: {df_texto['tamanho_chars'].quantile(0.99):.0f} caracteres")
📊 Estatísticas de tamanho (caracteres):

count    68686.000000
mean        27.204772
std         85.696511
min          1.000000
25%          9.000000
50%         17.000000
75%         30.000000
max       8561.000000
Name: tamanho_chars, dtype: float64

📈 Percentis:
   50%: 17 caracteres
   75%: 30 caracteres
   90%: 49 caracteres
   95%: 67 caracteres
   99%: 160 caracteres
Code 
# Visualização (limitando outliers para melhor visualização)
df_plot = df_texto[df_texto['tamanho_chars'] <= df_texto['tamanho_chars'].quantile(0.95)]

fig = px.histogram(
    df_plot,
    x='tamanho_chars',
    nbins=50,
    title='Distribuição do Tamanho das Mensagens (até percentil 95)',
    labels={'tamanho_chars': 'Caracteres', 'count': 'Frequência'},
    color_discrete_sequence=[COLORS['TEXT']]
)

fig.update_layout(height=400, showlegend=False)
fig.show()
Figure 1: Distribuição do tamanho das mensagens (caracteres)

Em Palavras

Code 
# Calcula tamanho em palavras
df_texto['tamanho_palavras'] = df_texto['conteudo'].str.split().str.len()

print(f"\n📊 Estatísticas de tamanho (palavras):\n")
print(df_texto['tamanho_palavras'].describe())

print(f"\n📈 Percentis:")
print(f"   50%: {df_texto['tamanho_palavras'].quantile(0.50):.0f} palavras")
print(f"   75%: {df_texto['tamanho_palavras'].quantile(0.75):.0f} palavras")
print(f"   90%: {df_texto['tamanho_palavras'].quantile(0.90):.0f} palavras")
print(f"   95%: {df_texto['tamanho_palavras'].quantile(0.95):.0f} palavras")
print(f"   99%: {df_texto['tamanho_palavras'].quantile(0.99):.0f} palavras")

📊 Estatísticas de tamanho (palavras):

count    68686.000000
mean         5.262149
std         13.636641
min          1.000000
25%          2.000000
50%          3.000000
75%          6.000000
max       1164.000000
Name: tamanho_palavras, dtype: float64

📈 Percentis:
   50%: 3 palavras
   75%: 6 palavras
   90%: 10 palavras
   95%: 13 palavras
   99%: 29 palavras
Code 
# Visualização (limitando outliers)
df_plot = df_texto[df_texto['tamanho_palavras'] <= df_texto['tamanho_palavras'].quantile(0.95)]

fig = px.histogram(
    df_plot,
    x='tamanho_palavras',
    nbins=50,
    title='Distribuição do Tamanho das Mensagens em Palavras (até percentil 95)',
    labels={'tamanho_palavras': 'Palavras', 'count': 'Frequência'},
    color_discrete_sequence=[COLORS['TEXT']]
)

fig.update_layout(height=400, showlegend=False)
fig.show()
Figure 2: Distribuição do tamanho das mensagens (palavras)
Tip💡 Insight - Tamanho das Mensagens

Mensagens são EXTREMAMENTE curtas:

Caracteres: - Mediana: 17 caracteres (aproximadamente 1 linha) - Média: 27 caracteres - 95%: 67 caracteres (95% das mensagens cabem em 1 linha!) - 99%: 160 caracteres - Máximo: 8.561 caracteres (outlier - transcrição longa)

Palavras: - Mediana: 3 palavras 🔥 - Média: 5.3 palavras - 95%: 13 palavras (menos de 1 frase completa!) - 99%: 29 palavras - Máximo: 1.164 palavras (transcrição de áudio/vídeo longo)

Distribuição assimétrica: - Média > Mediana (27 vs 17 chars, 5.3 vs 3 palavras) - Indica cauda longa à direita (outliers de mensagens longas) - Padrão dominante: Mensagens ultra-curtas (3 palavras)

Interpretação visual:

Histograma de caracteres: - Pico em 6-7 caracteres (5.081 mensagens!) - Maioria concentrada em 5-30 caracteres - Cauda longa até 67 chars (95%)

Histograma de palavras: - Pico massivo em 1 palavra (~14k mensagens!) - Segundo pico em 2 palavras (~10k) - Terceiro pico em 3 palavras (~10k) - Top 3 = maioria absoluta das mensagens

Descoberta central:

50% das mensagens têm 3 palavras ou menos!

95% têm menos de 13 palavras (1 frase curta).

Comunicação é EXTREMAMENTE fragmentada - ping-pong rápido com mensagens minúsculas ao invés de blocos longos de texto.

Padrão típico: - “Ok” - “Oi amor” - “Tá bom” - “Que horas?” - “Já saí”

Conclusão: WhatsApp usado como ferramenta de mensagens instantâneas rápidas, não como plataforma de textos longos. Comunicação é por fragmentação rápida (várias msgs curtas) ao invés de desenvolvimento textual (msgs longas).

Comparação por Remetente

Code 
print("\n📊 Tamanho por REMETENTE:\n")

for remetente in ['P1', 'P2']:
    df_rem = df_texto[df_texto['remetente'] == remetente]
    print(f"{remetente}:")
    print(f"   Caracteres - Média: {df_rem['tamanho_chars'].mean():.1f} | Mediana: {df_rem['tamanho_chars'].median():.0f}")
    print(f"   Palavras   - Média: {df_rem['tamanho_palavras'].mean():.1f} | Mediana: {df_rem['tamanho_palavras'].median():.0f}")
    print()

📊 Tamanho por REMETENTE:

P1:
   Caracteres - Média: 28.2 | Mediana: 17
   Palavras   - Média: 5.4 | Mediana: 3

P2:
   Caracteres - Média: 26.2 | Mediana: 18
   Palavras   - Média: 5.1 | Mediana: 4
Code 
# Visualização comparativa
fig = make_subplots(
    rows=1, cols=2,
    subplot_titles=('Caracteres', 'Palavras')
)

for remetente in ['P1', 'P2']:
    df_rem = df_texto[df_texto['remetente'] == remetente]
    color = COLORS['P1'] if remetente == 'P1' else COLORS['P2']
    
    # Caracteres
    fig.add_trace(
        go.Box(
            y=df_rem['tamanho_chars'], 
            name=remetente, 
            marker_color=color,
            showlegend=False
        ),
        row=1, col=1
    )
    
    # Palavras
    fig.add_trace(
        go.Box(
            y=df_rem['tamanho_palavras'], 
            name=remetente,
            marker_color=color
        ),
        row=1, col=2
    )

fig.update_yaxes(title_text="Caracteres", row=1, col=1)
fig.update_yaxes(title_text="Palavras", row=1, col=2)
fig.update_layout(height=400, title_text="Tamanho de Mensagens por Remetente")
fig.show()

# Teste estatístico
from scipy.stats import mannwhitneyu

chars_p1 = df_texto[df_texto['remetente'] == 'P1']['tamanho_chars']
chars_p2 = df_texto[df_texto['remetente'] == 'P2']['tamanho_chars']

stat, p_val = mannwhitneyu(chars_p1, chars_p2, alternative='two-sided')

print(f"\n📊 Teste Mann-Whitney U (caracteres):")
print(f"   Estatística: {stat:.2f}")
print(f"   p-value: {p_val:.6e}")
if p_val < 0.001:
    print(f"   ✅ Diferença SIGNIFICATIVA (p < 0.001)")
else:
    print(f"   ⚠️ Sem diferença significativa")
Figure 3: Comparação de tamanho de mensagens por remetente 

📊 Teste Mann-Whitney U (caracteres):
   Estatística: 555873969.50
   p-value: 1.064427e-38
   ✅ Diferença SIGNIFICATIVA (p < 0.001)
Note💡 Insight - Por Remetente (Simetria Quase Perfeita)

P1: - Média: 28.2 chars / 5.4 palavras - Mediana: 17 chars / 3 palavras

P2: - Média: 26.2 chars / 5.1 palavras - Mediana: 18 chars / 4 palavras

Teste estatístico: p < 0.001 (significativo)

MAS: Diferença é MINÚSCULA!

Diferença absoluta: - P1 escreve +2 caracteres a mais em média (+7.6%) - P1 escreve +0.3 palavras a mais em média (+5.9%) - P2 tem mediana +1 char (+5.9%) - P2 tem mediana +1 palavra (+33% - de 3 para 4)

Boxplots mostram simetria: - Caixas (IQR) praticamente IDÊNTICAS - Outliers similares em ambos - Distribuições sobrepostas

Interpretação:

Significância estatística ≠ Relevância prática!

Diferença é estatisticamente significativa (p<0.001) apenas por causa do tamanho massivo da amostra (~35k mensagens cada).

Na prática: Ambos escrevem mensagens IGUALMENTE curtas (3-4 palavras mediana, ~17-18 chars).

Paradoxo interessante: - P1: Média maior (28.2 vs 26.2) = outliers mais longos - P2: Mediana maior (4 vs 3 palavras) = padrão típico um pouco maior

Conclusão: Simetria perfeita no estilo de escrita. Diferenças de 2 caracteres ou 0.3 palavras são desprezíveis no contexto de mensagens de 17-18 caracteres. Ambos adotam mesmo padrão de comunicação ultra-fragmentada (3-4 palavras por mensagem).

ESTRUTURA BASE CRIADA! 🎉

Próximas seções a desenvolver: - Comparação por contexto (junto vs separado) - Evolução temporal do tamanho - Por tipo de mensagem (TEXT vs AUDIO transcrito vs VID) - Análise de emojis/emoticons (se quiser) - Palavras mais frequentes (wordcloud?)

Quer que eu continue adicionando essas seções? 📊

Comparação Amizade vs Relacionamento

Code 
print("\n📊 Tamanho por FASE:\n")

for fase in ['Amizade', 'Relacionamento']:
    df_fase = df_texto[df_texto['fase_relacionamento'] == fase]
    print(f"{fase}:")
    print(f"   Mensagens: {len(df_fase):,}")
    print(f"   Caracteres - Média: {df_fase['tamanho_chars'].mean():.1f} | Mediana: {df_fase['tamanho_chars'].median():.0f}")
    print(f"   Palavras   - Média: {df_fase['tamanho_palavras'].mean():.1f} | Mediana: {df_fase['tamanho_palavras'].median():.0f}")
    print()

📊 Tamanho por FASE:

Amizade:
   Mensagens: 1,943
   Caracteres - Média: 24.8 | Mediana: 16
   Palavras   - Média: 4.7 | Mediana: 3

Relacionamento:
   Mensagens: 66,743
   Caracteres - Média: 27.3 | Mediana: 17
   Palavras   - Média: 5.3 | Mediana: 3

Comparação Amizade vs Relacionamento

Code 
print("\n📊 Tamanho por FASE:\n")

for fase in ['Amizade', 'Relacionamento']:
    df_fase = df_texto[df_texto['fase_relacionamento'] == fase]
    print(f"{fase}:")
    print(f"   Mensagens: {len(df_fase):,}")
    print(f"   Caracteres - Média: {df_fase['tamanho_chars'].mean():.1f} | Mediana: {df_fase['tamanho_chars'].median():.0f}")
    print(f"   Palavras   - Média: {df_fase['tamanho_palavras'].mean():.1f} | Mediana: {df_fase['tamanho_palavras'].median():.0f}")
    print()

📊 Tamanho por FASE:

Amizade:
   Mensagens: 1,943
   Caracteres - Média: 24.8 | Mediana: 16
   Palavras   - Média: 4.7 | Mediana: 3

Relacionamento:
   Mensagens: 66,743
   Caracteres - Média: 27.3 | Mediana: 17
   Palavras   - Média: 5.3 | Mediana: 3
Code 
# Visualização comparativa
fig = make_subplots(
    rows=1, cols=2,
    subplot_titles=('Caracteres', 'Palavras')
)

colors_fase = {'Amizade': '#AB63FA', 'Relacionamento': '#00CC96'}

for fase in ['Amizade', 'Relacionamento']:
    df_fase = df_texto[df_texto['fase_relacionamento'] == fase]
    
    # Caracteres
    fig.add_trace(
        go.Box(
            y=df_fase['tamanho_chars'], 
            name=fase, 
            marker_color=colors_fase[fase],
            showlegend=False
        ),
        row=1, col=1
    )
    
    # Palavras
    fig.add_trace(
        go.Box(
            y=df_fase['tamanho_palavras'], 
            name=fase,
            marker_color=colors_fase[fase]
        ),
        row=1, col=2
    )

fig.update_yaxes(title_text="Caracteres", row=1, col=1)
fig.update_yaxes(title_text="Palavras", row=1, col=2)
fig.update_layout(height=400, title_text="Tamanho de Mensagens: Amizade vs Relacionamento")
fig.show()

# Teste estatístico
from scipy.stats import mannwhitneyu

chars_amizade = df_texto[df_texto['fase_relacionamento'] == 'Amizade']['tamanho_chars']
chars_relacao = df_texto[df_texto['fase_relacionamento'] == 'Relacionamento']['tamanho_chars']

stat, p_val = mannwhitneyu(chars_amizade, chars_relacao, alternative='two-sided')

print(f"\n📊 Teste Mann-Whitney U (caracteres):")
print(f"   Estatística: {stat:.2f}")
print(f"   p-value: {p_val:.6e}")
if p_val < 0.001:
    print(f"   ✅ Diferença SIGNIFICATIVA (p < 0.001)")
else:
    print(f"   ⚠️ Sem diferença significativa")
Figure 4: Comparação de tamanho por fase (amizade vs relacionamento) 

📊 Teste Mann-Whitney U (caracteres):
   Estatística: 61452392.00
   p-value: 8.348431e-05
   ✅ Diferença SIGNIFICATIVA (p < 0.001)
Tip💡 Insight - Amizade vs Relacionamento (Estilo Estável)

AMIZADE (1.943 msgs): - Média: 24.8 chars / 4.7 palavras - Mediana: 16 chars / 3 palavras

RELACIONAMENTO (66.743 msgs): - Média: 27.3 chars / 5.3 palavras - Mediana: 17 chars / 3 palavras

Diferença: MÍNIMA (+10% chars, +13% palavras)

Evolução: - Chars: 24.8 → 27.3 (+2.5 = +10%) - Palavras: 4.7 → 5.3 (+0.6 = +13%) - Mediana chars: 16 → 17 (+1 char = +6%) - Mediana palavras: IGUAL (3) 🔥

Interpretação:

Estilo de escrita é ESTÁVEL entre fases!

Transição amizade → relacionamento NÃO mudou como escrevem: - Mediana permanece em 3 palavras (padrão ultra-curto) - Média aumentou marginalmente (+0.6 palavras) - Ambas fases: Mensagens extremamente fragmentadas

O que MUDOU: Volume (6.4x mais mensagens no relacionamento)

O que NÃO MUDOU: Tamanho individual das mensagens (3 palavras mediana)

Conclusão:

Volume ≠ Tamanho!

Relacionamento tem: - ✅ 6.4x MAIS mensagens (2.588 → 89.336) - ❌ Mensagens quase do MESMO tamanho (3 palavras mediana)

Padrão: Quando relacionamento começou, aumentaram frequência de comunicação (mandam mais mensagens), mas NÃO mudaram estilo (ainda mandam mensagens de 3 palavras).

Validação da decisão metodológica: Análise de conteúdo usando dataset completo é válida - estilo textual é consistente entre fases. Diferença de +2.5 chars é desprezível comparada à consistência do padrão (3 palavras mediana em ambas).

Comparação por Contexto (Junto vs Separado)

Code 
print("\n📊 Tamanho por CONTEXTO:\n")

# Separados
df_sep = df_texto[~df_texto['em_encontro']]
print(f"Separados:")
print(f"   Mensagens: {len(df_sep):,}")
print(f"   Caracteres - Média: {df_sep['tamanho_chars'].mean():.1f} | Mediana: {df_sep['tamanho_chars'].median():.0f}")
print(f"   Palavras   - Média: {df_sep['tamanho_palavras'].mean():.1f} | Mediana: {df_sep['tamanho_palavras'].median():.0f}")

# Juntos
df_jun = df_texto[df_texto['em_encontro']]
print(f"\nJuntos:")
print(f"   Mensagens: {len(df_jun):,}")
print(f"   Caracteres - Média: {df_jun['tamanho_chars'].mean():.1f} | Mediana: {df_jun['tamanho_chars'].median():.0f}")
print(f"   Palavras   - Média: {df_jun['tamanho_palavras'].mean():.1f} | Mediana: {df_jun['tamanho_palavras'].median():.0f}")

📊 Tamanho por CONTEXTO:

Separados:
   Mensagens: 57,122
   Caracteres - Média: 26.3 | Mediana: 17
   Palavras   - Média: 5.1 | Mediana: 3

Juntos:
   Mensagens: 11,564
   Caracteres - Média: 31.5 | Mediana: 17
   Palavras   - Média: 6.2 | Mediana: 4
Code 
# Visualização comparativa
fig = make_subplots(
    rows=1, cols=2,
    subplot_titles=('Caracteres', 'Palavras')
)

# Separados
fig.add_trace(
    go.Box(
        y=df_sep['tamanho_chars'], 
        name='Separados', 
        marker_color=COLORS['separados'],
        showlegend=False
    ),
    row=1, col=1
)

# Juntos
fig.add_trace(
    go.Box(
        y=df_jun['tamanho_chars'], 
        name='Juntos',
        marker_color=COLORS['juntos'],
        showlegend=False
    ),
    row=1, col=1
)

# Separados - palavras
fig.add_trace(
    go.Box(
        y=df_sep['tamanho_palavras'], 
        name='Separados',
        marker_color=COLORS['separados']
    ),
    row=1, col=2
)

# Juntos - palavras
fig.add_trace(
    go.Box(
        y=df_jun['tamanho_palavras'], 
        name='Juntos',
        marker_color=COLORS['juntos']
    ),
    row=1, col=2
)

fig.update_yaxes(title_text="Caracteres", row=1, col=1)
fig.update_yaxes(title_text="Palavras", row=1, col=2)
fig.update_layout(height=400, title_text="Tamanho de Mensagens: Junto vs Separado")
fig.show()

# Teste estatístico
stat, p_val = mannwhitneyu(df_sep['tamanho_chars'], df_jun['tamanho_chars'], 
                           alternative='two-sided')

print(f"\n📊 Teste Mann-Whitney U (caracteres):")
print(f"   Estatística: {stat:.2f}")
print(f"   p-value: {p_val:.6e}")
if p_val < 0.001:
    print(f"   ✅ Diferença SIGNIFICATIVA (p < 0.001)")
else:
    print(f"   ⚠️ Sem diferença significativa")
Figure 5: Comparação de tamanho por contexto (junto vs separado) 

📊 Teste Mann-Whitney U (caracteres):
   Estatística: 326786174.50
   p-value: 7.232448e-02
   ⚠️ Sem diferença significativa
Important💡 Insight - Por Contexto (Paradoxo Mediana vs Média)

SEPARADOS (57.122 msgs): - Média: 26.3 chars / 5.1 palavras - Mediana: 17 chars / 3 palavras

JUNTOS (11.564 msgs): - Média: 31.5 chars / 6.2 palavras - Mediana: 17 chars / 4 palavras

Diferença na MÉDIA: +20% quando juntos - Chars: +5.2 (+19.8%) - Palavras: +1.1 (+21.6%)

Diferença na MEDIANA: Caracteres IGUAL, Palavras +1 - Chars: 17 = 17 (IDÊNTICO!) - Palavras: 3 → 4 (+33%)

Teste estatístico (caracteres): p = 0.072 - ⚠️ NÃO significativo (p > 0.05) - Com 68.686 mensagens, não atingir p<0.05 indica diferença MUITO pequena

Paradoxo aparente:

Médias sugerem diferença: - Juntos: 31.5 chars (20% maior) - Outliers mais longos quando juntos

Medianas sugerem igualdade: - Ambos: 17 caracteres - Padrão típico IGUAL

Boxplots confirmam: - Caixas (IQR) praticamente SOBREPOSTAS - Juntos tem cauda superior um pouco mais longa (mais outliers) - Distribuição central IDÊNTICA

Interpretação:

Contexto NÃO afeta tamanho típico das mensagens!

Mediana de 17 caracteres é IGUAL em ambos contextos.

50% das mensagens (seja separado ou junto) têm ≤17 chars / ≤3-4 palavras.

Diferença na média (+20%) é artefato de OUTLIERS: - Quando juntos, OCASIONALMENTE enviam mensagens mais longas (outliers) - Mas o padrão DOMINANTE (mediana) permanece igual - Exemplo: “Vou ali comprar pão, quer alguma coisa?” (junto) vs “Ok” (ambos)

Descoberta central:

Contexto modula DRASTICAMENTE: - ✅ Volume: -68.3% quando juntos (já visto) - ✅ Velocidade: Distribuição bimodal (já visto) - ✅ Sequências: -21% quando juntos (já visto) - ✅ Turnos: -53% quando juntos (já visto)

Contexto NÃO modula: - ❌ Tamanho típico: Mediana 17 chars em ambos (p=0.072) - Mensagens continuam sendo ultra-curtas (3-4 palavras)

Conclusão:

Quando juntos, comunicam MENOS (volume -68%) e de forma PONTUAL (turnos curtos), mas cada mensagem individual tem MESMO TAMANHO que quando separados (17 chars mediana).

WhatsApp é ferramenta de mensagens curtas independente de contexto. Diferença está em QUANTAS mensagens enviam e COMO as organizam (turnos/sequências), não em QUANTO escrevem por mensagem.

Nota técnica: Médias maiores quando juntos (31.5 vs 26.3) são puxadas por outliers ocasionais mais longos, mas não representam o padrão típico (mediana = 17 em ambos).

Comparação por Tipo de Mensagem

TEXT vs AUDIO vs VID (Separados)

Code 
print("\n📊 Tamanho por TIPO de mensagem:\n")

for tipo in ['TEXT', 'AUDIO', 'VID']:
    df_tipo = df_texto[df_texto['grupo_mensagem'] == tipo]
    if len(df_tipo) > 0:
        print(f"{tipo}:")
        print(f"   Mensagens: {len(df_tipo):,}")
        print(f"   Caracteres - Média: {df_tipo['tamanho_chars'].mean():.1f} | Mediana: {df_tipo['tamanho_chars'].median():.0f}")
        print(f"   Palavras   - Média: {df_tipo['tamanho_palavras'].mean():.1f} | Mediana: {df_tipo['tamanho_palavras'].median():.0f}")
        print()

📊 Tamanho por TIPO de mensagem:

TEXT:
   Mensagens: 67,297
   Caracteres - Média: 24.9 | Mediana: 17
   Palavras   - Média: 4.8 | Mediana: 3

AUDIO:
   Mensagens: 510
   Caracteres - Média: 238.8 | Mediana: 183
   Palavras   - Média: 46.6 | Mediana: 36

VID:
   Mensagens: 184
   Caracteres - Média: 180.8 | Mediana: 146
   Palavras   - Média: 34.7 | Mediana: 27
Code 
# Visualização comparativa
fig = make_subplots(
    rows=1, cols=2,
    subplot_titles=('Caracteres', 'Palavras')
)

colors_tipo = {'TEXT': COLORS['TEXT'], 'AUDIO': COLORS['AUDIO'], 'VID': COLORS['VID']}

for tipo in ['TEXT', 'AUDIO', 'VID']:
    df_tipo = df_texto[df_texto['grupo_mensagem'] == tipo]
    if len(df_tipo) > 0:
        # Caracteres
        fig.add_trace(
            go.Box(
                y=df_tipo['tamanho_chars'], 
                name=tipo, 
                marker_color=colors_tipo[tipo],
                showlegend=False
            ),
            row=1, col=1
        )
        
        # Palavras
        fig.add_trace(
            go.Box(
                y=df_tipo['tamanho_palavras'], 
                name=tipo,
                marker_color=colors_tipo[tipo]
            ),
            row=1, col=2
        )

fig.update_yaxes(title_text="Caracteres", row=1, col=1)
fig.update_yaxes(title_text="Palavras", row=1, col=2)
fig.update_layout(height=400, title_text="Tamanho de Mensagens por Tipo")
fig.show()
Figure 6: Comparação de tamanho por tipo de mensagem
Tip💡 Insight - Texto vs Áudio vs Vídeo

TEXT (67.297 msgs - 98% do corpus): - Média: 24.9 chars / 4.8 palavras - Mediana: 17 chars / 3 palavras - Padrão: Ultra-curto (3 palavras típicas)

AUDIO (510 msgs - 0.7% do corpus): - Média: 238.8 chars / 46.6 palavras 🔥 - Mediana: 183 chars / 36 palavras - 9.7x MAIOR que TEXT! (média palavras) - Sem limite de duração - representa fala natural

VID (184 msgs - 0.3% do corpus): - Média: 180.8 chars / 34.7 palavras - Mediana: 146 chars / 27 palavras - 7.2x MAIOR que TEXT! (média palavras) - ⚠️ LIMITADO a 1 minuto - fala truncada

Diferenças DRAMÁTICAS:

Tipo Mediana Palavras vs TEXT Limitação
TEXT 3 1x -
VID 27 9x 1 min máx ⚠️
AUDIO 36 12x Ilimitado ✅

Boxplots revelam: - TEXT: Caixa comprimida perto de zero (3 palavras) - AUDIO/VID: Caixas MUITO acima, quase sem sobreposição - Distribuições COMPLETAMENTE DISTINTAS

Por que VID é 25% menor que AUDIO (27 vs 36 palavras)?

NÃO é comportamental - é TÉCNICO: - ❌ NÃO é porque “narram objetivamente” ou são mais diretos - ✅ É porque WhatsApp limita vídeos a 1 minuto máximo! - VID com 27 palavras = “o que conseguem falar em 60 segundos” - AUDIO com 36 palavras = fala natural sem restrição

Se vídeos fossem ilimitados: - Provavelmente teriam ~36 palavras (igual AUDIO) - Diferença atual é artefato do limite técnico

Descoberta: > Quando FALAM (áudio/vídeo), desenvolvem pensamentos 9-12x mais do que quando ESCREVEM (texto). > > - AUDIO (sem limite): ~36 palavras - padrão natural de fala > - VID (limite 1 min): ~27 palavras - fala truncada, mas ainda 9x maior que texto > - TEXT: 3 palavras - ultra-fragmentado > > Diferença AUDIO vs VID é artefato do limite técnico (1 min), não diferença de comportamento.

TEXT vs TRANSCRIÇÕES (Escrito vs Falado)

Code 
# Cria categoria agregada
df_texto['origem'] = df_texto['grupo_mensagem'].apply(
    lambda x: 'TEXT_escrito' if x == 'TEXT' else 'TRANSCRITO_falado'
)

print("\n📊 Tamanho por ORIGEM (Escrito vs Falado):\n")

for origem in ['TEXT_escrito', 'TRANSCRITO_falado']:
    df_orig = df_texto[df_texto['origem'] == origem]
    print(f"{origem}:")
    print(f"   Mensagens: {len(df_orig):,}")
    print(f"   Caracteres - Média: {df_orig['tamanho_chars'].mean():.1f} | Mediana: {df_orig['tamanho_chars'].median():.0f}")
    print(f"   Palavras   - Média: {df_orig['tamanho_palavras'].mean():.1f} | Mediana: {df_orig['tamanho_palavras'].median():.0f}")
    print()

📊 Tamanho por ORIGEM (Escrito vs Falado):

TEXT_escrito:
   Mensagens: 67,297
   Caracteres - Média: 24.9 | Mediana: 17
   Palavras   - Média: 4.8 | Mediana: 3

TRANSCRITO_falado:
   Mensagens: 1,389
   Caracteres - Média: 140.7 | Mediana: 75
   Palavras   - Média: 26.9 | Mediana: 14
Code 
# Visualização comparativa
fig = make_subplots(
    rows=1, cols=2,
    subplot_titles=('Caracteres', 'Palavras')
)

colors_origem = {'TEXT_escrito': COLORS['TEXT'], 'TRANSCRITO_falado': '#FFA15A'}

for origem in ['TEXT_escrito', 'TRANSCRITO_falado']:
    df_orig = df_texto[df_texto['origem'] == origem]
    
    # Caracteres
    fig.add_trace(
        go.Box(
            y=df_orig['tamanho_chars'], 
            name=origem.replace('_', ' '), 
            marker_color=colors_origem[origem],
            showlegend=False
        ),
        row=1, col=1
    )
    
    # Palavras
    fig.add_trace(
        go.Box(
            y=df_orig['tamanho_palavras'], 
            name=origem.replace('_', ' '),
            marker_color=colors_origem[origem]
        ),
        row=1, col=2
    )

fig.update_yaxes(title_text="Caracteres", row=1, col=1)
fig.update_yaxes(title_text="Palavras", row=1, col=2)
fig.update_layout(height=400, title_text="Tamanho: Escrito vs Falado")
fig.show()

# Teste estatístico
chars_texto = df_texto[df_texto['origem'] == 'TEXT_escrito']['tamanho_chars']
chars_transcrito = df_texto[df_texto['origem'] == 'TRANSCRITO_falado']['tamanho_chars']

stat, p_val = mannwhitneyu(chars_texto, chars_transcrito, alternative='two-sided')

print(f"\n📊 Teste Mann-Whitney U (escrito vs falado):")
print(f"   Estatística: {stat:.2f}")
print(f"   p-value: {p_val:.6e}")
if p_val < 0.001:
    print(f"   ✅ Diferença SIGNIFICATIVA (p < 0.001)")
else:
    print(f"   ⚠️ Sem diferença significativa")
Figure 7: Comparação escrito vs falado (transcrições) 

📊 Teste Mann-Whitney U (escrito vs falado):
   Estatística: 6274065.00
   p-value: 0.000000e+00
   ✅ Diferença SIGNIFICATIVA (p < 0.001)
Important💡 Insight - Escrito vs Falado (Duas Linguagens)

TEXT_escrito (67.297 msgs): - Mediana: 17 chars / 3 palavras

TRANSCRITO_falado (694 msgs = 510 AUDIO + 184 VID): - Mediana: 75 chars / 14 palavras - 4.7x MAIOR que texto! - p < 0.001 (diferença FORTÍSSIMA)

Diferença BRUTAL:

Métrica TEXT TRANSCRITO Diferença
Mediana chars 17 75 +341%
Mediana palavras 3 14 +367%

Boxplots: Quase ZERO sobreposição - distribuições completamente distintas.

Interpretação:

WhatsApp tem DUAS LINGUAGENS:

1. TEXTO ESCRITO = Ultra-fragmentado - 3 palavras típicas - Ping-pong rápido - Exemplos: “Ok”, “Oi amor”, “Tá bom”

2. FALA TRANSCRITA = Desenvolvido - 14 palavras típicas (4.7x maior) - Narrativo e fluido - Desenvolvem pensamentos completos

Por que essa diferença?

  1. Esforço: Falar é mais rápido (~150 pal/min) que escrever (~40 pal/min)
  2. Natureza: Fala permite elaboração natural
  3. Contexto: AUDIO/VID substituem conversa (não coordenação)

Descoberta central: > Quando mandam áudio/vídeo, não estão “substituindo texto curto” - estão mudando modalidade para algo 4.7x mais elaborado. > > 1 mensagem falada ≈ 5 mensagens escritas em conteúdo!

Nota técnica: - Média TRANSCRITO (26.9 palavras) é puxada para baixo pelo limite de vídeos (1 min) - Padrão natural de fala (AUDIO sem limite): ~36 palavras - Se vídeos fossem ilimitados: diferença seria 7.5x (não 4.7x)

Implicação para análise: - 98% do corpus (TEXT) representa comunicação ultra-curta - 1% (TRANSCRITO) representa comunicação muito mais rica - Clustering/tópicos devem considerar essa diferença!

Análise de URLs:

Compartilhamento de URLs

Identificação de URLs

Code 
import re

# Regex para identificar URLs
url_pattern = r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\\(\\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+'

# Identifica mensagens com URLs
df_texto['tem_url'] = df_texto['conteudo'].str.contains(url_pattern, regex=True, na=False)
df_texto['num_urls'] = df_texto['conteudo'].str.findall(url_pattern).str.len()

# Estatísticas gerais
total_com_url = df_texto['tem_url'].sum()
pct_com_url = (total_com_url / len(df_texto)) * 100

print(f"📊 URLs no corpus textual:\n")
print(f"   • Total de mensagens com URL: {total_com_url:,}")
print(f"   • Percentual: {pct_com_url:.1f}%")
print(f"   • Mensagens sem URL: {(~df_texto['tem_url']).sum():,}")
print(f"\n   • Total de URLs encontradas: {df_texto['num_urls'].sum():,}")
print(f"   • Média URLs/mensagem (quando tem): {df_texto[df_texto['tem_url']]['num_urls'].mean():.2f}")
📊 URLs no corpus textual:

   • Total de mensagens com URL: 555
   • Percentual: 0.8%
   • Mensagens sem URL: 68,131

   • Total de URLs encontradas: 565
   • Média URLs/mensagem (quando tem): 1.02

Por Remetente

Code 
print("\n📊 URLs por REMETENTE:\n")

for rem in ['P1', 'P2']:
    df_rem = df_texto[df_texto['remetente'] == rem]
    com_url = df_rem['tem_url'].sum()
    total = len(df_rem)
    pct = (com_url / total) * 100
    
    print(f"{rem}:")
    print(f"   • Mensagens com URL: {com_url:,}/{total:,} ({pct:.1f}%)")
    print(f"   • Total URLs compartilhadas: {df_rem['num_urls'].sum():,}")
    print()

# Teste qui-quadrado
from scipy.stats import chi2_contingency

contingency = pd.crosstab(df_texto['remetente'], df_texto['tem_url'])
chi2, p_val, dof, expected = chi2_contingency(contingency)

print(f"📊 Teste Chi-quadrado:")
print(f"   χ² = {chi2:.2f}, p = {p_val:.6e}")
if p_val < 0.001:
    print(f"   ✅ Diferença SIGNIFICATIVA (p < 0.001)")
else:
    print(f"   ⚠️ Sem diferença significativa")

📊 URLs por REMETENTE:

P1:
   • Mensagens com URL: 330/34,014 (1.0%)
   • Total URLs compartilhadas: 330

P2:
   • Mensagens com URL: 225/34,672 (0.6%)
   • Total URLs compartilhadas: 235

📊 Teste Chi-quadrado:
   χ² = 21.71, p = 3.172630e-06
   ✅ Diferença SIGNIFICATIVA (p < 0.001)

Por Contexto

Code 
print("\n📊 URLs por CONTEXTO:\n")

# Separados
df_sep = df_texto[~df_texto['em_encontro']]
com_url_sep = df_sep['tem_url'].sum()
pct_sep = (com_url_sep / len(df_sep)) * 100

print(f"Separados:")
print(f"   • Mensagens com URL: {com_url_sep:,}/{len(df_sep):,} ({pct_sep:.1f}%)")
print(f"   • Total URLs: {df_sep['num_urls'].sum():,}")

# Juntos
df_jun = df_texto[df_texto['em_encontro']]
com_url_jun = df_jun['tem_url'].sum()
pct_jun = (com_url_jun / len(df_jun)) * 100

print(f"\nJuntos:")
print(f"   • Mensagens com URL: {com_url_jun:,}/{len(df_jun):,} ({pct_jun:.1f}%)")
print(f"   • Total URLs: {df_jun['num_urls'].sum():,}")

# Teste
contingency = pd.crosstab(df_texto['em_encontro'], df_texto['tem_url'])
chi2, p_val, dof, expected = chi2_contingency(contingency)

print(f"\n📊 Teste Chi-quadrado:")
print(f"   χ² = {chi2:.2f}, p = {p_val:.6e}")
if p_val < 0.001:
    print(f"   ✅ Diferença SIGNIFICATIVA")
else:
    print(f"   ⚠️ Sem diferença significativa")

📊 URLs por CONTEXTO:

Separados:
   • Mensagens com URL: 452/57,122 (0.8%)
   • Total URLs: 462

Juntos:
   • Mensagens com URL: 103/11,564 (0.9%)
   • Total URLs: 103

📊 Teste Chi-quadrado:
   χ² = 1.06, p = 3.020987e-01
   ⚠️ Sem diferença significativa
Code 
# Prepara dados
dados_url = []

for rem in ['P1', 'P2']:
    df_rem = df_texto[df_texto['remetente'] == rem]
    pct = (df_rem['tem_url'].sum() / len(df_rem)) * 100
    dados_url.append({'Categoria': rem, 'Tipo': 'Remetente', 'Percentual': pct})

df_sep = df_texto[~df_texto['em_encontro']]
pct_sep = (df_sep['tem_url'].sum() / len(df_sep)) * 100
dados_url.append({'Categoria': 'Separados', 'Tipo': 'Contexto', 'Percentual': pct_sep})

df_jun = df_texto[df_texto['em_encontro']]
pct_jun = (df_jun['tem_url'].sum() / len(df_jun)) * 100
dados_url.append({'Categoria': 'Juntos', 'Tipo': 'Contexto', 'Percentual': pct_jun})

df_url_plot = pd.DataFrame(dados_url)

# Gráfico
fig = px.bar(
    df_url_plot,
    x='Categoria',
    y='Percentual',
    color='Tipo',
    title='Percentual de Mensagens com URLs',
    labels={'Percentual': '% com URL'},
    text='Percentual',
    barmode='group'
)

fig.update_traces(texttemplate='%{text:.1f}%', textposition='outside')
fig.update_layout(height=400)
fig.show()
Figure 8: Compartilhamento de URLs por remetente e contexto
Note💡 Insight - Compartilhamento de URLs

Frequência geral: RARO - Apenas 0.8% das mensagens contêm URLs (555 de 68.686) - Total: 565 URLs compartilhadas em todo o período - Média: 1.02 URLs/mensagem (raramente compartilham múltiplos links)

Por remetente - P1 compartilha MAIS:

P1: 1.0% (330 msgs) - 330 URLs compartilhadas

P2: 0.6% (225 msgs) - 235 URLs compartilhadas

Diferença: P1 compartilha +67% mais links que P2 (1.0% vs 0.6%) - χ² = 21.71, p < 0.001 (SIGNIFICATIVO!)

Por contexto - SEM diferença:

Separados: 0.8% (452 msgs) Juntos: 0.9% (103 msgs)

Diferença: Praticamente IGUAL - χ² = 1.06, p = 0.302 (não significativo) - Contexto NÃO afeta compartilhamento de URLs

Interpretação:

URLs são RAROS no WhatsApp (<1% das mensagens).

Quando compartilham, é para: - Notícias/artigos - Vídeos do YouTube - Localização (Google Maps) - Memes/conteúdo viral

WhatsApp é primariamente para conversa, não para curadoria de conteúdo (diferente de Twitter/Reddit).

Diferença entre remetentes: - P1 é mais propenso a compartilhar links (+67%) - Possível perfil: mais engajado com conteúdo externo - P2 prefere comunicação direta (texto/áudio)

Contexto não importa: - Compartilham links igualmente quando juntos ou separados (0.8% vs 0.9%) - URLs são contextuais ao conteúdo (notícia, localização), não ao estado da relação

Conclusão: Compartilhamento de URLs é comportamento individual (P1 > P2), não modulado por contexto (junto/separado). WhatsApp é canal de conversa, não de compartilhamento de links.

Análise de Emojis

Uso de Emojis

Identificação de Emojis

Code 
import emoji

# Identifica emojis
df_texto['emojis'] = df_texto['conteudo'].apply(
    lambda x: [c for c in str(x) if c in emoji.EMOJI_DATA] if pd.notna(x) else []
)

df_texto['num_emojis'] = df_texto['emojis'].str.len()
df_texto['tem_emoji'] = df_texto['num_emojis'] > 0

# Estatísticas gerais
total_com_emoji = df_texto['tem_emoji'].sum()
pct_com_emoji = (total_com_emoji / len(df_texto)) * 100
total_emojis = df_texto['num_emojis'].sum()

print(f"📊 Emojis no corpus textual:\n")
print(f"   • Mensagens com emoji: {total_com_emoji:,} ({pct_com_emoji:.1f}%)")
print(f"   • Mensagens sem emoji: {(~df_texto['tem_emoji']).sum():,}")
print(f"\n   • Total de emojis: {total_emojis:,}")
print(f"   • Média emojis/mensagem (quando tem): {df_texto[df_texto['tem_emoji']]['num_emojis'].mean():.2f}")
print(f"   • Média emojis/mensagem (geral): {df_texto['num_emojis'].mean():.2f}")
📊 Emojis no corpus textual:

   • Mensagens com emoji: 5,163 (7.5%)
   • Mensagens sem emoji: 63,523

   • Total de emojis: 9,878
   • Média emojis/mensagem (quando tem): 1.91
   • Média emojis/mensagem (geral): 0.14

Por Remetente

Code 
print("\n📊 Emojis por REMETENTE:\n")

for rem in ['P1', 'P2']:
    df_rem = df_texto[df_texto['remetente'] == rem]
    com_emoji = df_rem['tem_emoji'].sum()
    total = len(df_rem)
    pct = (com_emoji / total) * 100
    
    print(f"{rem}:")
    print(f"   • Mensagens com emoji: {com_emoji:,}/{total:,} ({pct:.1f}%)")
    print(f"   • Total emojis usados: {df_rem['num_emojis'].sum():,}")
    print(f"   • Média quando usa: {df_rem[df_rem['tem_emoji']]['num_emojis'].mean():.2f} emojis/msg")
    print()

# Teste
contingency = pd.crosstab(df_texto['remetente'], df_texto['tem_emoji'])
chi2, p_val, dof, expected = chi2_contingency(contingency)

print(f"📊 Teste Chi-quadrado:")
print(f"   χ² = {chi2:.2f}, p = {p_val:.6e}")
if p_val < 0.001:
    print(f"   ✅ Diferença SIGNIFICATIVA")
else:
    print(f"   ⚠️ Sem diferença significativa")

📊 Emojis por REMETENTE:

P1:
   • Mensagens com emoji: 3,679/34,014 (10.8%)
   • Total emojis usados: 5,424
   • Média quando usa: 1.47 emojis/msg

P2:
   • Mensagens com emoji: 1,484/34,672 (4.3%)
   • Total emojis usados: 4,454
   • Média quando usa: 3.00 emojis/msg

📊 Teste Chi-quadrado:
   χ² = 1054.17, p = 3.015257e-231
   ✅ Diferença SIGNIFICATIVA

Por Contexto

Code 
print("\n📊 Emojis por CONTEXTO:\n")

# Separados
df_sep = df_texto[~df_texto['em_encontro']]
com_emoji_sep = df_sep['tem_emoji'].sum()
pct_sep = (com_emoji_sep / len(df_sep)) * 100

print(f"Separados:")
print(f"   • Mensagens com emoji: {com_emoji_sep:,}/{len(df_sep):,} ({pct_sep:.1f}%)")
print(f"   • Total emojis: {df_sep['num_emojis'].sum():,}")
print(f"   • Média quando usa: {df_sep[df_sep['tem_emoji']]['num_emojis'].mean():.2f}")

# Juntos
df_jun = df_texto[df_texto['em_encontro']]
com_emoji_jun = df_jun['tem_emoji'].sum()
pct_jun = (com_emoji_jun / len(df_jun)) * 100

print(f"\nJuntos:")
print(f"   • Mensagens com emoji: {com_emoji_jun:,}/{len(df_jun):,} ({pct_jun:.1f}%)")
print(f"   • Total emojis: {df_jun['num_emojis'].sum():,}")
print(f"   • Média quando usa: {df_jun[df_jun['tem_emoji']]['num_emojis'].mean():.2f}")

# Teste
contingency = pd.crosstab(df_texto['em_encontro'], df_texto['tem_emoji'])
chi2, p_val, dof, expected = chi2_contingency(contingency)

print(f"\n📊 Teste Chi-quadrado:")
print(f"   χ² = {chi2:.2f}, p = {p_val:.6e}")

📊 Emojis por CONTEXTO:

Separados:
   • Mensagens com emoji: 4,429/57,122 (7.8%)
   • Total emojis: 8,404
   • Média quando usa: 1.90

Juntos:
   • Mensagens com emoji: 734/11,564 (6.3%)
   • Total emojis: 1,474
   • Média quando usa: 2.01

📊 Teste Chi-quadrado:
   χ² = 27.16, p = 1.875801e-07

Emojis Mais Frequentes

Code 
# Conta todos os emojis
all_emojis = [emoji for lista in df_texto['emojis'] for emoji in lista]
emoji_counts = pd.Series(all_emojis).value_counts()

print(f"\n📊 Top 20 Emojis Mais Usados:\n")
for i, (emoji_char, count) in enumerate(emoji_counts.head(20).items(), 1):
    pct = (count / len(all_emojis)) * 100
    emoji_name = emoji.demojize(emoji_char)
    print(f"   {i:2d}. {emoji_char} {emoji_name:30s}: {count:,} ({pct:.1f}%)")

📊 Top 20 Emojis Mais Usados:

    1. 💚 :green_heart:                 : 1,504 (15.2%)
    2. 😍 :smiling_face_with_heart-eyes:: 637 (6.4%)
    3. 😂 :face_with_tears_of_joy:      : 493 (5.0%)
    4. 🥰 :smiling_face_with_hearts:    : 438 (4.4%)
    5. 🫠 :melting_face:                : 410 (4.2%)
    6. 😘 :face_blowing_a_kiss:         : 372 (3.8%)
    7. 🏻 :light_skin_tone:             : 352 (3.6%)
    8. 🖤 :black_heart:                 : 233 (2.4%)
    9. 🫶 :heart_hands:                 : 212 (2.1%)
   10. 😅 :grinning_face_with_sweat:    : 204 (2.1%)
   11. ❤ :red_heart:                   : 193 (2.0%)
   12. 😭 :loudly_crying_face:          : 191 (1.9%)
   13. 🤤 :drooling_face:               : 169 (1.7%)
   14. 🥵 :hot_face:                    : 167 (1.7%)
   15. 🏼 :medium-light_skin_tone:      : 163 (1.7%)
   16. 🙌 :raising_hands:               : 157 (1.6%)
   17. ▪ :black_small_square:          : 151 (1.5%)
   18. 😉 :winking_face:                : 127 (1.3%)
   19. 🙂 :slightly_smiling_face:       : 120 (1.2%)
   20. 🤩 :star-struck:                 : 115 (1.2%)
Code 
# Top 15 para visualização
top_emojis = emoji_counts.head(15).reset_index()
top_emojis.columns = ['emoji', 'count']
top_emojis['emoji_name'] = top_emojis['emoji'].apply(lambda x: emoji.demojize(x))

fig = px.bar(
    top_emojis,
    x='count',
    y='emoji',
    orientation='h',
    title='Top 15 Emojis Mais Usados',
    labels={'count': 'Frequência', 'emoji': ''},
    text='count'
)

fig.update_traces(texttemplate='%{text:,}', textposition='outside')
fig.update_layout(height=500, yaxis={'categoryorder': 'total ascending'})
fig.show()
Figure 9: Top 15 emojis mais utilizados
Code 
# Prepara dados
dados_emoji = []

for rem in ['P1', 'P2']:
    df_rem = df_texto[df_texto['remetente'] == rem]
    pct = (df_rem['tem_emoji'].sum() / len(df_rem)) * 100
    dados_emoji.append({'Categoria': rem, 'Tipo': 'Remetente', 'Percentual': pct})

df_sep = df_texto[~df_texto['em_encontro']]
pct_sep = (df_sep['tem_emoji'].sum() / len(df_sep)) * 100
dados_emoji.append({'Categoria': 'Separados', 'Tipo': 'Contexto', 'Percentual': pct_sep})

df_jun = df_texto[df_texto['em_encontro']]
pct_jun = (df_jun['tem_emoji'].sum() / len(df_jun)) * 100
dados_emoji.append({'Categoria': 'Juntos', 'Tipo': 'Contexto', 'Percentual': pct_jun})

df_emoji_plot = pd.DataFrame(dados_emoji)

# Gráfico
fig = px.bar(
    df_emoji_plot,
    x='Categoria',
    y='Percentual',
    color='Tipo',
    title='Percentual de Mensagens com Emojis',
    labels={'Percentual': '% com Emoji'},
    text='Percentual',
    barmode='group'
)

fig.update_traces(texttemplate='%{text:.1f}%', textposition='outside')
fig.update_layout(height=400)
fig.show()
Figure 10: Uso de emojis por remetente e contexto
Tip💡 Insight - Uso de Emojis (Comportamentos OPOSTOS!)

Frequência geral: MODERADA - 7.5% das mensagens têm emojis (5.163 de 68.686) - Total: 9.878 emojis usados - Média: 1.91 emojis/mensagem (quando usa)

Por remetente - PADRÕES COMPLETAMENTE OPOSTOS: 🔥

P1: 10.8% (3.679 msgs) - Frequência: ALTA (2.5x mais que P2!) - Total: 5.424 emojis - Média quando usa: 1.47 emojis/msg (econômico)

P2: 4.3% (1.484 msgs) - Frequência: BAIXA (usa menos) - Total: 4.454 emojis - Média quando usa: 3.00 emojis/msg (generoso!)

Diferença MASSIVA: - χ² = 1.054, p < 0.001 (FORTÍSSIMO!) - P1 usa emoji em 151% MAIS mensagens (10.8% vs 4.3%) - MAS P2 usa 104% MAIS emojis por mensagem (3.0 vs 1.47)

Interpretação - DOIS ESTILOS OPOSTOS:

P1 = “Emoji como PONTUAÇÃO” - Usa emojis frequentemente (10.8%) - Mas de forma econômica (1-2 emojis) - Exemplo: “Oi amor 😘” “Tá bom 👍” “Hahaha 😂”

P2 = “Emoji como EXPLOSÃO” - Usa emojis raramente (4.3%) - Mas quando usa, BOMBARDEIA (3 emojis!) - Exemplo: “Te amo demais 💚😍🥰” “Hahahahaha 😂😂😭😭😭”

Por contexto - Diferença MÍNIMA:

Separados: 7.8% (4.429 msgs) Juntos: 6.3% (734 msgs)

Diferença: -19% quando juntos - χ² = 27.16, p < 0.001 (significativo) - Mas diferença prática é pequena (7.8% → 6.3%)

Top 5 Emojis Mais Usados:

1. 💚 Coração Verde - 1.504 (15.2%) 🏆 - DOMINANTE! Representa 15% de TODOS os emojis! - Emoji simbólico da relação

2. 😍 Olhos de Coração - 637 (6.4%) - Expressão de amor/admiração

3. 😂 Rindo com Lágrimas - 493 (5.0%) - Humor/diversão

4. 🥰 Sorriso com Corações - 438 (4.4%) - Ternura/afeto

5. 🫠 Derretendo - 410 (4.2%) - Emoji moderno (amor/calor)

Padrão dos emojis:

Top 10 = 51.4% de todos os emojis! - Vocabulário concentrado (poucos emojis usados repetidamente) - Emojis românticos DOMINAM: 💚😍🥰😘🖤❤🫶 (7 dos top 10!) - Humor: 😂😅 (2 do top 10) - Tom da relação: Afeto intenso + leveza/riso

Descoberta CENTRAL:

P1 e P2 têm ESTRATÉGIAS OPOSTAS com emojis:

  • P1: Usa sempre, mas pontualmente (1.47/msg)
  • P2: Usa raramente, mas intensamente (3.0/msg)

Mesmo total de emojis (~5k cada), mas distribuições INVERSAS!

💚 é o emoji da relação: - 15.2% de TODOS os emojis! - Símbolo compartilhado (usado por ambos) - Representa identidade visual da conversa

Contexto não modula muito: - Usam emojis de forma similar quando juntos/separados - Diferença de 1.5pp (7.8% → 6.3%) é marginal - Emojis são parte do estilo pessoal, não contextual

Conclusão: Emojis revelam estilos individuais radicalmente diferentes - P1 pontua constantemente, P2 explode ocasionalmente. Mas ambos convergem em símbolos românticos (💚 domina).

Síntese - Análise de Conteúdo

Tip🎯 Principais Descobertas

Este notebook analisou 68.686 mensagens com conteúdo textual (74.7% do dataset completo), explorando tamanho, composição, e elementos linguísticos.

1. MENSAGENS SÃO ULTRA-CURTAS 📏

Padrão dominante: 3 palavras - Mediana: 17 caracteres / 3 palavras - 95%: 67 caracteres / 13 palavras - Distribuição assimétrica (cauda longa de outliers)

Conclusão: WhatsApp usado como ferramenta de ping-pong rápido (mensagens fragmentadas) ao invés de desenvolvimento textual.

2. SIMETRIA PERFEITA ENTRE REMETENTES 👥

P1 vs P2: Diferenças MÍNIMAS - P1: 28.2 chars / 5.4 palavras (média) - P2: 26.2 chars / 5.1 palavras (média) - Diferença: +2 chars (+0.3 palavras) = DESPREZÍVEL! - p<0.001 por tamanho amostral, mas sem relevância prática

Conclusão: Ambos escrevem mensagens igualmente curtas - simetria de estilo.

3. ESTILO ESTÁVEL ENTRE FASES 📅

Amizade vs Relacionamento: IGUAL - Amizade: 24.8 chars / 4.7 palavras - Relacionamento: 27.3 chars / 5.3 palavras - Mediana palavras: IGUAL (3) em ambas fases! 🔥 - Diferença: +10% chars (marginal)

Conclusão: Transição amizade→relacionamento aumentou volume (6.4x) mas NÃO mudou estilo de escrita. Validação do uso de dataset completo para análise textual.

4. CONTEXTO NÃO AFETA TAMANHO 🏠

Junto vs Separado: IGUAL - Separados: 26.3 chars / 5.1 palavras - Juntos: 31.5 chars / 6.2 palavras - Mediana chars: IDÊNTICA (17) 🔥 - Médias diferentes por outliers, p=0.072 (não significativo)

Conclusão: Contexto modula volume (-68%), velocidade (bimodal), turnos (-53%), mas NÃO modula tamanho individual das mensagens.

5. DUAS LINGUAGENS: TEXTO vs FALA 🗣️💬

DESCOBERTA MAIS BRUTAL DO NOTEBOOK:

TEXT_escrito (67.297 msgs - 98%): - Mediana: 17 chars / 3 palavras - Ultra-fragmentado

TRANSCRITO_falado (694 msgs - 1%): - Mediana: 75 chars / 14 palavras - 4.7x MAIOR! (p<0.001) - AUDIO: 36 palavras (sem limite) - VID: 27 palavras (limite 1 min técnico)

Interpretação: > WhatsApp tem DUAS MODALIDADES: > - TEXTO = ping-pong rápido (3 palavras) > - FALA = narrativo desenvolvido (14 palavras) > > 1 mensagem falada ≈ 5 mensagens escritas em conteúdo!

Razão: Falar é mais rápido (~150 pal/min) que escrever (~40 pal/min). Áudio/vídeo substituem conversa, não coordenação.

Nota técnica: VID limitado a 1 min (WhatsApp). Se ilimitado, diferença seria 7.5x (não 4.7x).

6. COMPARTILHAMENTO DE URLs: RARO 🔗

Frequência: <1% - Apenas 0.8% têm URLs (555 msgs) - Total: 565 URLs em 367 dias

Diferença individual: - P1: 1.0% (compartilha mais, +67%) - P2: 0.6% (p<0.001)

Contexto: NÃO importa - Separados: 0.8% | Juntos: 0.9% (p=0.302)

Conclusão: WhatsApp é canal de conversa, não curadoria de conteúdo. Compartilhamento é comportamento individual (P1>P2), não contextual.

7. EMOJIS: ESTRATÉGIAS OPOSTAS 😊💚

Frequência: 7.5% (5.163 msgs, 9.878 emojis)

P1 vs P2 = COMPORTAMENTOS INVERTIDOS: 🔥 - P1: Usa em 10.8% msgs, mas 1.47 emojis/msg (pontual) - P2: Usa em 4.3% msgs, mas 3.00 emojis/msg (explosivo!) - χ² = 1.054 (p<0.001) - uma das MAIORES diferenças do dataset!

Interpretação: - P1: “Emoji como pontuação” (frequente, econômico) - P2: “Emoji como explosão” (raro, generoso)

💚 Coração Verde = Emoji da Relação: - 15.2% de TODOS os emojis (1.504 ocorrências) - Símbolo compartilhado, identidade visual da conversa

Top 10 = 51% dos emojis: - Vocabulário concentrado - Emojis românticos dominam: 💚😍🥰😘🖤❤🫶 (7 dos top 10)

Contexto: - Separados: 7.8% | Juntos: 6.3% (p<0.001 mas diferença pequena) - Emojis são estilo pessoal, não contextual

🎯 SÍNTESE CONSOLIDADA

COMPOSIÇÃO DO CORPUS: - 98% TEXT nativo (67.297 msgs) - 1% AUDIO transcrito (510 msgs) - 0.3% VID transcrito (184 msgs) - Limitação: 6% áudios, 1.9% vídeos disponíveis (arquivos antigos não no export)

O QUE É ESTÁVEL: - ✅ Tamanho: 3 palavras mediana (universal) - ✅ Simetria P1/P2: Ambos escrevem igual - ✅ Entre fases: Amizade vs Relacionamento igual - ✅ Contexto: Junto vs Separado igual (tamanho)

O QUE VARIA: - 🔥 Modalidade: TEXT (3 pal) vs FALA (14 pal) = 4.7x diferença! - 🔥 Emojis: P1 frequente/pontual vs P2 raro/explosivo - 📊 URLs: P1 compartilha 67% mais que P2

PADRÃO GERAL: > Comunicação é ultra-fragmentada (3 palavras) com simetria entre pessoas e estabilidade temporal. > > Exceção: Quando falam (áudio/vídeo), desenvolvem 4.7x mais - são duas linguagens distintas. > > Personalização: Emojis e URLs revelam estilos individuais (P1 vs P2), não contextuais.

TRANSIÇÃO PARA NOTEBOOKS FUTUROS:

Este notebook estabeleceu PADRÕES QUANTITATIVOS (tamanho, frequência, composição).

Próximos passos: - Análise semântica: Tópicos, sentimentos, clustering - Padrões temporais de conteúdo: Evolução de temas - Análise de transcrições: Diferenças qualitativas AUDIO vs VID

Principais features criadas: - tamanho_chars, tamanho_palavras - origem (TEXT_escrito vs TRANSCRITO_falado) - tem_url, num_urls - tem_emoji, num_emojis, emojis (lista)

Investigação de Outliers

Distribuição Extrema

Code 
# Análise de tamanhos extremos
print("📊 Distribuição de tamanhos (palavras):\n")
print(df_texto['tamanho_palavras'].describe())

print(f"\n📈 Percentis altos:")
print(f"   99%: {df_texto['tamanho_palavras'].quantile(0.99):.0f} palavras")
print(f"   99.5%: {df_texto['tamanho_palavras'].quantile(0.995):.0f} palavras")
print(f"   99.9%: {df_texto['tamanho_palavras'].quantile(0.999):.0f} palavras")
print(f"   Máximo: {df_texto['tamanho_palavras'].max():.0f} palavras")

# Conta outliers extremos
outliers_100 = (df_texto['tamanho_palavras'] > 100).sum()
outliers_200 = (df_texto['tamanho_palavras'] > 200).sum()
outliers_500 = (df_texto['tamanho_palavras'] > 500).sum()

print(f"\n🚨 Outliers por threshold:")
print(f"   >100 palavras: {outliers_100} msgs ({outliers_100/len(df_texto)*100:.2f}%)")
print(f"   >200 palavras: {outliers_200} msgs ({outliers_200/len(df_texto)*100:.2f}%)")
print(f"   >500 palavras: {outliers_500} msgs ({outliers_500/len(df_texto)*100:.2f}%)")
📊 Distribuição de tamanhos (palavras):

count    68686.000000
mean         5.262149
std         13.636641
min          1.000000
25%          2.000000
50%          3.000000
75%          6.000000
max       1164.000000
Name: tamanho_palavras, dtype: float64

📈 Percentis altos:
   99%: 29 palavras
   99.5%: 51 palavras
   99.9%: 144 palavras
   Máximo: 1164 palavras

🚨 Outliers por threshold:
   >100 palavras: 129 msgs (0.19%)
   >200 palavras: 48 msgs (0.07%)
   >500 palavras: 7 msgs (0.01%)

Exemplos de Outliers

Code 
# Examina manualmente os 10 maiores
top_outliers = df_texto.nlargest(10, 'tamanho_palavras')[['remetente', 'tamanho_palavras', 'tamanho_chars', 'conteudo']]

print("🔍 Top 10 mensagens mais longas:\n")
for idx, row in top_outliers.iterrows():
    print(f"{row['remetente']} - {row['tamanho_palavras']:.0f} palavras:")
    print(f"   {row['conteudo'][:200]}...")
    print()
🔍 Top 10 mensagens mais longas:

P1 - 1164 palavras:
   # Uso Combinado de Lurasidona e Pregabalina: Análise Detalhada
## Avaliação da interação medicamentosa
A combinação de lurasidona (antipsicótico atípico) e pregabalina (anticonvulsivante/ansiolítico) ...

P1 - 1164 palavras:
   # Uso Combinado de Lurasidona e Pregabalina: Análise Detalhada
## Avaliação da interação medicamentosa
A combinação de lurasidona (antipsicótico atípico) e pregabalina (anticonvulsivante/ansiolítico) ...

P1 - 763 palavras:
   Uso combinado de Lurasidona e Pregabalina: evidências, indicações, interações e efeitos
Resumo: Lurasidona é um antipsicótico atípico indicado para esquizofrenia e episódios depressivos do transtorno ...

P1 - 763 palavras:
   Uso combinado de Lurasidona e Pregabalina: evidências, indicações, interações e efeitos
Resumo: Lurasidona é um antipsicótico atípico indicado para esquizofrenia e episódios depressivos do transtorno ...

P1 - 526 palavras:
   Planejar uma viagem de 20 dias para destinos caribenhos como Porto Rico, Punta Cana, Jamaica e Ilhas Cayman é uma experiência incrível. Abaixo, apresento um roteiro sugerido, considerando saídas de Sã...

P1 - 520 palavras:
   # Previsão de Volumes Ajustada - Festa Junina Caixa Cultural
## 📊 Análise Crítica da Previsão Atual
### Pontos de Atenção:
- **7,7 itens por pessoa** está muito alto para um evento de 7 horas
- Distri...

P1 - 520 palavras:
   # Previsão de Volumes Ajustada - Festa Junina Caixa Cultural
## 📊 Análise Crítica da Previsão Atual
### Pontos de Atenção:
- **7,7 itens por pessoa** está muito alto para um evento de 7 horas
- Distri...

P1 - 490 palavras:
   Ótimo! Existem várias técnicas de Service Design e Business Design que podem ajudar no seu dia a dia no Ernesto. Aqui estão algumas das mais úteis, com exemplos de como aplicá-las no seu restaurante/c...

P2 - 474 palavras:
   Olá, bom dia!
Hoje faz quase 1 mês que estou exercendo a função de gestora da fábrica. Durante esse período, observei diversos pontos que precisam ser
organizados e estruturados para que possamos gara...

P1 - 473 palavras:
   ## O que fizemos hoje: Explicando para quem não é da área 😊
Imagine que você trabalha numa empresa que faz muita pesquisa com usuários - entrevistas, observações, questionários, etc. Ao longo dos anos...
Warning⚠️ Decisão Metodológica - Outliers de Tamanho

Distribuição de tamanhos: - 99%: 29 palavras (padrão natural até aqui) - 99.5%: 51 palavras - 99.9%: 144 palavras - Máximo: 1.164 palavras (380x a mediana!)

Outliers identificados: - >100 palavras: 129 msgs (0.19%) - >200 palavras: 48 msgs (0.07%) - >500 palavras: 7 msgs (0.01%)

Inspeção manual (Top 10):

Padrão CLARO: Copy-paste de ChatGPT - 9/10 mensagens são de P1 - 9/10 têm estrutura markdown formal (GPT) - Temas: Análises médicas, roteiros de viagem, previsões de eventos - NÃO representam estilo de comunicação pessoal!

Exemplos:

P1 - 1.164 palavras:
"# Uso Combinado de Lurasidona e Pregabalina: Análise Detalhada
## Avaliação da interação medicamentosa..."
(Claramente resposta do ChatGPT copiada)

P1 - 526 palavras:
"Planejar uma viagem de 20 dias para destinos caribenhos..."
(Roteiro gerado por IA)

Única exceção:

P2 - 474 palavras:
"Olá, bom dia! Hoje faz quase 1 mês que estou exercendo..."
(Carta profissional autêntica - mas ainda outlier para WhatsApp)

Threshold escolhido: >100 palavras

Justificativa: 1. 99.81% das mensagens preservadas (68.557 de 68.686) 2. Remove claramente copy-paste GPT (estruturas formais longas) 3. Preserva transcrições AUDIO/VID: - AUDIO mediana: 36 palavras ✅ - VID mediana: 27 palavras ✅ - Mesmo 99% de AUDIO (~150 pal) passa ✅ 4. Consistente com uso natural de WhatsApp: - 29 palavras = 99% das mensagens - >100 palavras = claramente não-conversacional

Impacto: - 129 mensagens removidas (0.19%) - 9 de 10 são P1 (comportamento individual de copiar GPT) - Análise semântica focará em comunicação autêntica

Nota sobre duplicatas: - Algumas mensagens aparecem 2x (mesmo conteúdo, tamanho idêntico) - Investigar no 07-FE se há bug no parse ou reenvios